《机器学习实战》学习过程Day2——k-近邻算法（Windows下Python实现）

于《机器学习实战》第19页

首先描述一下k-近邻算法,伪代码如下：

对未知类别属性的数据集中的每个点依次执行以下操作：

（1）计算已知类别数据集中的点与当前点之间的距离；

（2）按照距离递增次序排序；

（3）选取与当前距离最小的k个点；

（4）确定k个点所在类别的出现频率；

（5）返回前k个点出现频率最高的类别作为当前的预测分类。

程序如下：

from numpy import *
import operator

def createDateSet():
	group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
	labels = ['A','A','B','B']
	return group, labels


def classify0(inX, dataSet, labels, k):
	dataSetSize = dataSet.shape[0]
	diffMat = tile(inX, (dataSetSize, 1)) - dataSet
	sqDiffMat = diffMat ** 2
	sqDistances = sqDiffMat.sum(axis = 1)
	distances = sqDistances ** 0.5
	sortedDistIndicies = distances.argsort()
	classCount = {}
	for i in range(k):
		voteIlabel = labels[sortedDistIndicies[i]]
		classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
	sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True)
	return sortedClassCount[0][0]

下面逐一讲解程序代码:

首先先计算距离，公式为：

                                                                 

    (1)shape函数为numpy.core.fromnumeric中的函数，其作用是获得矩阵或者数组的维数；

         eg:

                                        

dataSetSize = dataSet.shape[0]，即为将输入的group的行数赋值给dataSetSize,示例如下：

                                                      

     (2)tile（）函数内括号中的参数代表扩展后的维度，而扩展是通过复制A来运作的，最终得到一个与括号内的参数（reps）维度一致的数组（矩阵）

      eg:

                                       

diffMat = tile(inX, (dataSetSize, 1)) - dataSet，这里是将[0, 0]扩展成与group行数一样得数组，然后与group相减， 相减后结果如下所示：

                                                         

 

sqDiffMat = diffMat ** 2，将相减的每一个结果平方，结果如下所示。

                                                                 

sqDistances = sqDiffmat.sum(axis = 1)

                                  

这里相加后再开方就得到了距离。

所以有distances = sqDistances ** 0.5

                                     

接着排序，将距离从小到大的索引标注出来。得出索引值如下所示。

sortedDistances = distances.argsort()

                                                    

接着设置一个记录labels出现次数的classCount = {}

根据前面得索引值排序来记录，得出结果如下。

                                        

接着排序后结果如下：

     

输出0位置处的sortedClassCount[0][0]便是最后邻近算法的结果，为B。